通時的な類似度行列に基づく単語の意味変化の分析

言語処理学会第32回年次大会(NLP2026) 招待論文セッション
https://www.jstage.jst.go.jp/article/jnlp/32/4/32_1189/_article/-char/ja

Transcript

1. 単語の通時的な類似度行列に基づく 単語の意味変化の分析 木山朔1 相田太一2 小町守1 小木曽智信3 高村大也4 持橋大地3,5 1一橋大学 2東京都立大学 3国立国語研究所 4産業技術総合研究所 5統計数理研究所 2026年3月9日 招待論文セッション＠NLP2026
2. 1 研究の背景と概要 -単語の通時的な類似度行列による意味変化の分析方法
3. 背景：通時的な意味変化 ◼ 通時的な意味変化とは時代により単語の意味が変化する事象 ◼ 単語埋め込みの変化を分析するタスク ◼ 分布仮説：周辺単語により単語の意味が決まることを仮定 2 [Hamilton+, 2016]より引用
4. 背景：2つの時期と複数時期の意味変化 [Periti and Tahmasebi, 2024b] ◼ 2つの時期の意味変化 [Cassotti+, 2023][Periti and Tahmasebi, 2024a][Aida and Bollegala, 2024][Periti+, 2024] ◼ どの単語が意味変化したかを検出 ◼ 2つの時期間で意味変化の度合いを計測 ◼ 意味変化度合いがアノテーションされたデータセットが存在 ◼ 複数時期の意味変化 [Kulkarni+, 2015] [Hu+, 2019] [Giulianelli+, 2020] ◼ ある単語がどのように意味変化するかを分析 ◼ 変化点検出や語義の割合を計測 ◼ アノテーションされたデータセットは存在しない ◼ 既存手法には課題が存在 3
5. 背景：2つの時期と複数時期の意味変化 [Periti and Tahmasebi, 2024b] ◼ 2つの時期の意味変化 [Cassotti+, 2023][Periti and Tahmasebi, 2024a][Aida and Bollegala, 2024][Periti+, 2024] ◼ どの単語が意味変化したかを検出 ◼ 2つの時期間で意味変化の度合いを計測 ◼ 意味変化度合いがアノテーションされたデータセットが存在 ◼ 複数時期の意味変化 [Kulkarni+, 2015] [Hu+, 2019] [Giulianelli+, 2020] ◼ ある単語がどのように意味変化するかを分析 ◼ 変化点検出や語義の割合を計測 ◼ アノテーションされたデータセットは存在しない ◼ 既存手法には課題が存在 4
6. 背景：2つの時期と複数時期の意味変化 [Periti and Tahmasebi, 2024b] ◼ 2つの時期の意味変化 [Cassotti+, 2023][Periti and Tahmasebi, 2024a][Aida and Bollegala, 2024][Periti+, 2024] ◼ どの単語が意味変化したかを検出 ◼ 2つの時期間で意味変化の度合いを計測 ◼ 意味変化度合いがアノテーションされたデータセットが存在 ◼ 複数時期の意味変化 [Kulkarni+, 2015] [Hu+, 2019] [Giulianelli+, 2020] ◼ ある単語がどのように意味変化するかを分析 ◼ 変化点検出や語義の割合を計測 ◼ アノテーションされたデータセットは存在しない ◼ 既存手法には課題が存在 5 本研究はこちら！！！
7. 背景：複数時期の意味変化の課題1 ◼ 隣接時期間における変化点検出 [Kulkarni+, 2015] ◼ 隣り合う時期同士で意味変化度合いを計測 ◼ 2つの時期間の意味変化の自然な拡張 ◼ 具体的な意味の遷移はわからない ◼ 変化が複数ある場合に元に戻るのか？ ◼ それとも別の語義に変わりきるのか？ 6 任意の時期間の情報を 考慮した分析手法が必要 [Periti and Tahmasebi, 2024b]より引用
8. 背景：複数時期の意味変化の課題2 ◼ BERT-basedな手法を用いた語義のクラスタリング[Hu+, 2019][Giulianelli+, 2020] ◼ 対象単語の埋め込みをクラスタリングして語義の割合を分析 ◼ 語義の時間的な遷移が分析できる ◼ 計算が重く対象単語が限られる ◼ 単語数 * 用例の数だけ計算 7 軽量な単語埋め込みで スケールできる手法が必要 [Hu+, 2019]より引用
9. 研究概要 研究目標 ◼ 単語の意味が時間経過でどのように変化するかを分析したい 本研究の貢献 ◼ 単語の通時的な類似度行列による意味変化の分析方法を提案 ◼ 軽量な単語埋め込みで任意の時期間を考慮した意味変化の分析が可能 ◼ 教師なしの設定で似たパターンとなる単語をグループ化 8
10. 提案手法：類似度行列による意味変化 9
11. 提案手法：類似度行列による意味変化 10 入力の仮定として 単語埋め込みが比較可能な形で用意 本研究ではPPMI-SVD jointを用いて 高速かつ軽量な単語埋め込みを獲得
12. 提案手法：類似度行列による意味変化 11 時期ごとの単語埋め込みの類似度を計算 意味変化のパターンが見える！ 任意の時期間の変化が一目でわかる
13. 提案手法：類似度行列による意味変化 12 得られた類似度行列をクラスタリングすると 似たパターンを持つ単語をグループ化できる！ 意味変化した単語と同じクラスタにあれば 意味が変わっている可能性がある
14. 提案手法：類似度行列による意味変化 13
15. 14 実データでの実験 - 実際に任意の時期間を考慮するとどのような分析が可能になるか
16. 提案手法：類似度行列による意味変化 15
17. 実験設定 ◼ データセット ◼ COHA：英語の歴史コーパス ◼ 1830年から2010年まで10年単位、19時期 ◼ 対象単語数：3231 ◼ COCA：英語の現代コーパス ◼ 1991年から2019年まで1年単位、30時期 ◼ 対象単語数：2805 ◼ 埋め込み手法 ◼ PPMI-SVD joint [相田他, 2023] ◼ 類似度 ◼ コサイン類似度 16 ・異なる時期スライス間の比較 ・対象単語数は各時期で100回以上 出現した単語 ・単語数は非常に多い CPUで閉じた手法であり 計算が高速であるため採用
18. 実験設定 ◼ データセット ◼ COHA：英語の歴史コーパス ◼ 1830年から2010年まで10年単位、19時期 ◼ 対象単語数：3231 ◼ COCA：英語の現代コーパス ◼ 1991年から2019年まで1年単位、30時期 ◼ 対象単語数：2805 ◼ 埋め込み手法 ◼ PPMI-SVD joint [相田他, 2023] ◼ 類似度 ◼ コサイン類似度 17 ・異なる時期スライス間の比較 ・対象単語数は各時期で100回以上 出現した単語 ・単語数は非常に多い CPUで閉じた手法であり 計算が高速であるため採用
19. 埋め込み手法：PPMI-SVD joint ◼ PPMI-SVD [Levy and Goldberg, 2014] ◼ 正の自己相互情報量行列を特異値分解 ◼ SGNS に理論的に一致 ◼ PPMI-SVD joint [相田他, 2023] ◼ 複数時期のPPMI行列を 文脈語を共有し同時に圧縮 ◼ 高速かつ軽量な単語埋め込み 18 [相田他, 2023]より引用 単語の共起関係の行列
20. 提案手法：類似度行列による意味変化 19
21. 類似度行列の可視化 - COHA ◼ COHAにおける “record” の類似度行列の可視化 ◼ 二つの高類似度の領域に分けられる ◼ 領域1：1830 - 1910 ◼ 領域2：1920 - 2010 ◼ “record” は意味変化した単語 ◼ 1920年に変化したことがわかる ◼ 複数時期で分析する利点！ 20
22. 類似度行列の分析 - COHA ◼ “record” の特定の時期のみに出現する共起単語 ◼ 意味変化が明確に確認できる！ ◼ 1830 - 1910：出来事や物事を保存 ◼ 1920 - 2010：音を再生するメディア スポーツの記録 21
23. 類似度行列の可視化 - COCA ◼ COCAにおける “president” の類似度行列の可視化 ◼ 二つの高類似度の領域と二つのスパイクが確認される ◼ 領域1：1991 - 2016 ◼ 領域2：2017 - 2019 ◼ スパイク：1998, 2012 ◼ “president” は社会情勢で変化？ ◼ 極端に変化した時期が存在 ◼ 意味が変わるのか元に戻るかがわかる ◼ 任意の時期間でわかる変化！ 22
24. 類似度行列の可視化 - COCA ◼ COCAにおける “president” の類似度行列の可視化 ◼ 二つの高類似度の領域と二つのスパイクが確認される ◼ 領域1：1991 - 2016 ◼ 領域2：2017 - 2019 ◼ スパイク：1998, 2012 ◼ “president” は社会情勢で変化？ ◼ 極端に変化した時期が存在 ◼ 意味が変わるのか元に戻るかがわかる ◼ 任意の時期間でわかる変化！ 23
25. 類似度行列の分析 - COCA ◼ “president”の特定の時期のみに出現する共起単語 ◼ 社会的な要因による変化が分析できる！ ◼ スキャンダルや大統領選挙に関連 ◼ トランプ政権化での変化も確認 24
26. 提案手法：類似度行列による意味変化 25
27. 実験設定：クラスタリング ◼ クラスタリングの実験設定 ◼ 類似度：コサイン類似度 ◼ 特徴量：類似度行列の上三角成分 ◼ クラスタリング：階層型クラスタリング ◼ 標準化：特徴量を標準化する ◼ ロジット：ロジット変換を行う ◼ どうやって決めたのか？ ◼ 擬似データでの実験で最良だったものを採用 26 上三角成分
28. 類似度行列のクラスタリングの具体例 ◼ パターンが同じとなる局所的な単語をグループ化可能 ◼ 意味が変化した単語と同じクラスタは意味変化している可能性がある 27
29. 分布仮説の限界？ ◼ 共起単語が変わっても単語の意味が変わるとは限らない ◼ 分布仮説：周辺単語により単語の意味が決まることを仮定 ◼ 単語の意味ではなく、ドメインや社会情勢の変化が反映されている ◼ 単語埋め込みでは意味を表現できていないのでは？ 28 president
30. まとめ ◼ 単語の通時的な類似度行列による意味変化の分析方法を提案 ◼ 軽量な単語埋め込みで任意の時期間を考慮した意味変化の分析が可能 ◼ 教師なしの設定で似たパターンとなる単語をグループ化 29 任意の時期間の分析には類似度行列が良い！
31. 30 補足資料 – 研究の限界
32. 計算時間の予測 31 ◼ PPMI-SVD joint と BERT の計算時間をシミュレート ◼ 全単語について埋め込みを計算すると30分と2週間と大きな差
33. 分布仮説の限界 ◼ 単語の意味は周辺の単語によって決まる ◼ Word2vec, BERT, GPT はどれも分布仮説によって決まる ◼ 周辺の単語が変わっても意味が変化するとは限らない ◼ 埋め込みベースでの分析の限界 ◼ 意味は変わっていない可能性がある ◼ 意味変化タスクとして埋め込みを見るのには限界がある 32
34. データセットの限界 ◼ 分析に用いるデータセットの制約 ◼ 同一ドメインかつ複数時期で整備されたデータであることを要請 ◼ ドメインが変わるとドメインの違いが類似度行列に反映 ◼ ドメインの違いを考慮した頑健な分析手法の探究 ◼ 時期の分割間隔の最適化 ◼ 10年や1年といった単位が分析に最適かどうかはわからない ◼ どれくらいの分割間隔が良いか評価するのは困難 ◼ スパイクが起こるような間隔は良い間隔なのだろうか？ 33
35. 異なる時期スライスでの比較 34 ◼ 最適な時期スライスは単語ごとに異なる
36. データセットの統計量（英語） 35
37. データセットの統計量（日本語） 36
38. 埋め込み手法の限界 ◼ Word2vec であれば静的であるため計算が楽 ◼ PPMI-SVDは統計的に計算できるので解釈が容易 ◼ その代わりデータセットの前処理が必要 ◼ BERT であれば動的であるため類似度の計算方法が複数 ◼ 平均ベクトルの類似度を計算 ◼ ベクトル同士の類似度の平均を計算 ◼ クラスタリング+JSダイバージェンスの計算 ◼ 2つの時期での意味変化検出手法が複数時期に適応できるわけではない 37
39. 応用の限界 ◼ 言語学への応用 ◼ 非自明な意味変化した単語候補を用意できる ◼ 複数時期の分析によりいつ変化したかがわかる ◼ 対象単語をどのように決めるのか ◼ 類似度の変化!=意味の変化 ◼ 自然言語処理への応用 ◼ 言語モデルの時代適応 ◼ 事前学習された時期までのデータしか対応できない ◼ 新しく意味が変わった単語を重点的に学習すれば性能低下を防げる 38
40. 時系列データのためのグラム行列 ◼ 類似度行列はグラム行列の一例 ◼ 類似度としてさまざまな尺度を用いることができる ◼ 今回は埋め込み全体の情報を用いて大雑把な変化を捉えている ◼ 類似度としてその他手法で試した場合は今後の展望 ◼ （しかし計算が重いと応用が難しくなる…） ◼ 時間ベクトルの導入 [Nulund+, 2024] ◼ 時期ごとに類似度を取る研究はこの研究が初出 ◼ モデルのパラメータの類似度行列 39 [Nulund+, 2024]より引用
41. 40 補足資料 –擬似データの実験 - 実データのクラスタリングで最適な設定を探す
42. 変化パターンの分類 41 ◼ [Shoemark+,2017] の7つの変化パターンの分類タスクを実施 ◼ C1：新しい意味の獲得 ◼ C2：意味の転移 ◼ C3：雑多な意味の獲得 ◼ D1：特定の意味の増加 ◼ D2：特定の時期間に敏感 ◼ D3：周期的に敏感な変化 ◼ D4：純粋なノイズ
43. 実験設定 ◼ データセット ◼ 毎日新聞の2010年のデータ ◼ 20時期間で擬似的な変化を作成 ◼ 擬似単語を各パターンごとに20単語 ◼ 埋め込み手法 ◼ PPMI-SVD joint 42 合計140の擬似単語ができる これらの140の単語の分類タスクを行う 7つのパターンへの分類タスク
44. 擬似データでの実験：類似度行列 43
45. クラスタリングによる分類性能 44 ◼ 最適な実験設定の調査 ◼ コサイン類似度 ◼ 上三角成分 ◼ 階層型クラスタリング ◼ 標準化あり ◼ ロジット変換あり 時期0との類似度 隣接時期 上三角成分
46. 擬似データでの実験：混同行列 45
47. 類似度行列のt-SNEによる可視化 46 ◼ 変化パターンごとにクラスタが綺麗に分かれている
48. 変化パターンの限界 ◼ [Shoemark+,2017] が定義した変化パターンを用いた分類 ◼ この変化パターンが全てのパターンを網羅はしていない ◼ 提案手法の性能を過大/過小評価している可能性 ◼ どのような変化パターンが検出できると嬉しいのか？ 47
49. 48 補足資料 –日本語データの実験
50. 日本語での実験：類似度行列の可視化 49 ◼ 毎日新聞（2003-2020）で社会的な変化をする単語を発見 ◼ 「復興」の政策に関する共起単語の変化が確認できる
51. 日本語での実験：類似度行列のクラスタリング 50 ◼ コロナ禍で変化した単語がグループ化できる！
52. 51 参考文献
53. 関連研究1 [Hamilton+,2016] Diachronic Word Embeddings Reveal Statistical Laws of Semantic Change [Cassotti+, 2023] XL-LEXEME: WiC Pretrained Model for Cross- Lingual LEXical sEMantic changE [Periti and Tahmasebi, 2024a] A Systematic Comparison of Contextualized Word Embeddings for Lexical Semantic Change [Periti and Tahmasebi, 2024b] Towards a Complete Solution to Lexical Semantic Change: an Extension to Multiple Time Periods and Diachronic Word Sense Induction [Aida and Bollegala, 2024] A Semantic Distance Metric Learning approach for Lexical Semantic Change Detection 52
54. 関連研究2 [Periti+, 2024] Analyzing Semantic Change through Lexical Replacements [Kulkarni+, 2015] Statistically Significant Detection of Linguistic Change [Hu+, 2019] Diachronic Sense Modeling with Deep Contextualized Word Embeddings: An Ecological View [Giulianelli+, 2020] Analysing Lexical Semantic Change with Contextualised Word Representations 53
55. 関連研究3 [相田他, 2023] 異なる時期での意味の違いを捉える単語分散表現 の結合学習 [Levy and Goldberg, 2014] Neural Word Embedding as Implicit Matrix Factorization [Shoemark+, 2017] Room to Glo: A Systematic Comparison of Semantic Change Detection Approaches with Word Embeddings [Nulund+, 2024] Time is Encoded in the Weights of Finetuned Language Models 54